⭐⭐⭐ Spring Boot 项目实战	⭐⭐⭐ Spring Cloud 项目实战
《Dubbo 实现原理与源码解析 —— 精品合集》	《Netty 实现原理与源码解析 —— 精品合集》
《Spring 实现原理与源码解析 —— 精品合集》	《MyBatis 实现原理与源码解析 —— 精品合集》
《Spring MVC 实现原理与源码解析 —— 精品合集》	《数据库实体设计合集》
《Spring Boot 实现原理与源码解析 —— 精品合集》	《Java 面试题 + Java 学习指南》

摘要: 原创出处 http://www.iocoder.cn/Fight/245k-Star-kaiyuanshenqi3-miaokelongrenyishengyinwanquanbendiyunxingbuhuayifenqian/ 「芋道源码」欢迎转载，保留摘要，谢谢！

🙂🙂🙂关注微信公众号：【芋道源码】有福利：

RocketMQ / MyCAT / Sharding-JDBC 所有源码分析文章列表

RocketMQ / MyCAT / Sharding-JDBC 中文注释源码 GitHub 地址

您对于源码的疑问每条留言都将得到认真回复。甚至不知道如何读源码也可以请教噢。

新的源码解析文章实时收到通知。每周更新一篇左右。

认真的源码交流微信群。

副业做配音的痛点：付费太贵、声音不够独特

最近群里有道友问我：有没有不要钱的 AI 配音工具，能自己克隆声音那种？他在做副业——播客配音 + 小说有声书——一个月光 ElevenLabs 的订阅费就要 $22，做了一年下来 200 多刀。

现在做副业的痛点很具体：

💸 ElevenLabs / WisprFlow 这种主流工具——付费门槛 + 按字符计费、做 AI 副业的越用越心疼；
🎙️ 预设声音都用烂了——B 站 / 抖音上的 AI 配音听过 100 次都是同一个嗓子，做不出独特感；
🔒 数据隐私——给客户做配音的稿子不想传给第三方；
📡 离线场景废了——飞机上 / 出差弱网根本用不了。

我试了一圈开源工具——直到撞上了 Voicebox——这个 24.9k Star、最新版 v0.5.0（2026-04-25） 的开源 AI 配音工作室——这些痛点全堵上了。

关键差异——它是真的本地跑——模型下载到你自己机器、音频不经过任何服务器、没有订阅、没有按字符计费——一款真良心的工具。

Voicebox 是什么：本地版 ElevenLabs + WisprFlow 二合一

按官方 README，Voicebox 是一个桌面端的 AI 语音工作室。作者 Jamie Pine 也是开源文件管理工具 Spacedrive 的开发者——GitHub 上的积累让他很清楚研发需要什么。

官方定位的英文原话：

“The two cloud incumbents sit on opposite halves of the voice I/O loop—ElevenLabs on output, WisprFlow on input. Voicebox does both.”

（两个云端老牌产品各占语音 I/O 半边——ElevenLabs 主输出（TTS）、WisprFlow 主输入（语音转文字）。Voicebox 两件事都做。）

关键卖点 4 个：

完全本地跑——音频不出本机、模型下载即用；
支持 7 个 TTS 引擎——按场景挑（多语种 / 长文本 / 速度 / 情绪表达）；
3 秒克隆任何声音——用最短 3 秒样本就能克隆；
跨平台 + 多硬件加速——macOS（MLX）/ Windows / Linux / Apple Silicon / NVIDIA / AMD / Intel Arc。

横向对比：和 ElevenLabs / 微软 Azure 差在哪

维度	Voicebox	ElevenLabs	微软 Azure TTS
数据流向	全本地	全部上云	全部上云
价格	0 元	$22/月 + 按字计费	按字符计费
TTS 引擎	7 个可切	1 个云端	1 个云端
声音克隆	✅ 3 秒样本	✅（要 Pro 套餐）	⚠️ 企业级
语音转文字	✅ Whisper	❌	✅
MCP 集成（接 AI Agent）	✅ 原生	❌	❌
离线可用	✅	❌	❌
致命短板	模型要下载、初次跑慢	上云、贵	上云、企业向

真正定位：给副业 / 自媒体 / 研发的人——一个不上云、不付费、能批量产配音的本地工作室。

3 秒声音克隆：克隆完用在哪

克隆方式 3 种：

📁 上传音频文件（WAV、MP3、FLAC、WebM 都行）；
🎙️ 直接在 App 里录音（最长 30 秒）；
📺 录系统正在播放的音频（B 站视频 / 播客都能直接录）。

最短 3 秒就够——样本越长 / 质量越好、效果越准。

克隆完做什么：生成一个「声音档案」——之后所有 TTS 都可以用这个档案。

进阶玩法：

一个档案绑多个样本 → 引擎综合提升克隆质量；
每个档案可以设置默认后期效果——比如这个声音用「广播电台」风格处理；
档案可以分享 / 导出——团队共享同一个克隆声音很方便。

7 个 TTS 引擎，按场景挑

按 README 完整清单：

引擎	语言数	特点	适用场景
Qwen3-TTS	10	多语言克隆质量高、自然语言控制语速情绪	中文 + 多语种配音
Qwen CustomVoice	10	9 个预设、不需参考音频	不想克隆的快速产
LuxTTS	英文	极轻量 ~1GB 显存，48kHz 高质量、CPU 实时 150 倍	日常生产力首选
Chatterbox 多语言	23	覆盖最广（阿语 / 印地 / 斯瓦希里）	小语种配音
Chatterbox Turbo	英文	支持情绪标签 `[laugh]` / `[sigh]`	情绪表达需求
TADA (HumeAI)	10	700+ 秒长音频不漂移	有声书 / 长播客
Kokoro	8	82MB 小模型、50 个预设、CPU 实时	极低配置机器

英文 README 原话总结：“High-quality multilingual cloning, delivery instructions”——多语言 + 自然语言控制语速情绪——这是 ElevenLabs 都不一定能 100% 做到的。

简单决策建议：

📅 日常生产力 → LuxTTS（速度最快）；
🎭 情绪表达（笑 / 哭 / 叹气）→ Chatterbox Turbo；
🌍 小语种 → Chatterbox 多语言；
📚 长文本有声书 → TADA。

长文没有字数上限焦虑——Voicebox 自动在句子边界切分、再交叉淡入拼起来——最多支持 50,000 字符一次提交。

全局听写：让讲话直接打进任何输入框

另一半功能是语音输入——这是把 WisprFlow 也吃进去的部分。

平台	快捷键	行为
macOS	`⌘⌥`	按住 + 说话 + 松开 → 自动粘贴到当前输入框
Windows	`Ctrl+Alt`	同上

背后用 OpenAI Whisper 本地跑——离线可用。

几个细节做得不错：

自动保存剪贴板再恢复——不会把你原来复制的内容搞没；
快捷键自定义、支持「按住说 + 松开停」/「点一下开始 + 再点停」两种模式；
按住中途按空格切换”持续说”模式——长录音不会断；
可选 LLM 过滤步骤——自动清掉「嗯」「那个」这类口头语；
Captures 面板保留转录记录、随时回放 / 重新识别 / 编辑。

给 AI Agent 接一个声音：研发最爱

这块是研发玩家最该试的——Voicebox 内置 MCP 服务器——配置好之后 Claude Code、Cursor 这类 AI 编程工具可以直接调用 voicebox.speak——任务完成时用克隆的声音开口说。

接入 Claude Code 一行：

claude mcp add voicebox \
  --transport http \
  --url http://127.0.0.1:17493/mcp \
  --header "X-Voicebox-Client-Id: claude-code"

Cursor 配置：

{
  "mcpServers": {
    "voicebox": {
      "url": "http://127.0.0.1:17493/mcp",
      "headers": { "X-Voicebox-Client-Id": "cursor" }
    }
  }
}

最爽的玩法：给每个 AI 客户端绑不同声音档案：

Claude Code 用「Morgan」（沉稳男声）；
Cursor 用「Scarlett」（女声）；
Codex 用「Trevor」（年轻男声）。

3 个 Agent 并行干活时——声音一响你立刻知道是哪个 Agent 在说——不用盯着屏幕看。

屏幕上有一个悬浮小药丸显示当前状态：录音中 / 转录中 / 优化中 / 播放中——听写和 Agent 讲话共用同一个界面元素。

本地 REST API + 本地 LLM：完全可编程

App 启动后会在本地 127.0.0.1:17493 开一个 REST API。没有 API Key、没有调用限制、就是本机的一个地址——接进 Stream Deck / Shell 脚本 / 自己做的工具都行。

几个常用端点：

# 生成语音
curl -X POST http://127.0.0.1:17493/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "你好世界", "profile_id": "abc123", "language": "zh"}'

# 让 Agent 开口说
curl -X POST http://127.0.0.1:17493/speak \
  -H "Content-Type: application/json" \
  -d '{"text": "部署完成。", "profile": "Morgan"}'

# 转录音频文件
curl -X POST http://127.0.0.1:17493/transcribe \
  -F "audio=@recording.wav" \
  -F "model=whisper-turbo"

完整文档：App 跑起来后打开 http://127.0.0.1:17493/docs 即可。

还有一个进阶玩法——声音人格（Persona）：每个声音档案可以绑定自由文本写的人格描述——比如：

1940 年代黑色电影侦探。世故、愤世嫉俗，讲话喜欢用比喻——每件事都和这座城市的阴暗面有关。

两个功能：

Compose ——这个角色即兴生成一句台词；
Rewrite ——你写一段文字、系统按这个角色风格重写、再合成语音。

背后跑的是本地 Qwen3 小语言模型（0.6B / 1.7B / 4B 可选）——和 TTS 引擎共用一个运行时、不用额外下模型。

写手 / 游戏开发者可以用来保持长篇作品里某个角色的一致口吻——这是 ElevenLabs 都给不了的能力。

安装与上手

去官网下：https://voicebox.sh

平台	下载方式
macOS Apple Silicon	https://voicebox.sh/download/mac-arm
macOS Intel	https://voicebox.sh/download/mac-intel
Windows	https://voicebox.sh/download/windows
Linux	源码编译 + https://voicebox.sh/linux-install
Docker	`docker compose up`

第一次用要下载模型——大小不一：Kokoro 只有 82MB，Chatterbox 多语言版要大得多。下完之后离线使用、不再请求外部服务。

Stories 编辑器（多人对话 / 多角色播客制作）——多轨时间轴、不同角色台词放不同轨道、拖拽排列、轨道内裁剪 / 拆分——做播客 / 有声书的话，这个太实用了。

谁该上手、谁先观望

适合现在上手

副业做播客 / 有声书——想省合成费用；
研发玩家——想让 Claude Code / Cursor 开口说话；
隐私敏感——商用配音稿不想传给第三方；
就是喜欢折腾 AI——把语音能力接进自己工具链。

先观望

偶尔用一下 / 不想管模型下载——ElevenLabs 在线版体感更顺滑；
Linux 用户——Linux 没预构建包、要自己源码编译。

我的判断

Voicebox 解决的是一个挺具体的问题——让本地 AI 配音从”能用”升到”好用”。

它最大的价值不是”省钱”——是控制感：

✅ 声音档案在你手里——不用担心订阅停了 / 平台跑路；
✅ 完全离线可用——飞机 / 弱网 / 内网机器都能跑；
✅ MCP 接 AI Agent——把语音能力变成 Agent 工作流的一部分；
✅ 24.9k Star + 持续更新——v0.5.0 / 路线图清晰、不像那种半死不活的开源项目。

说到底：做 AI 副业的人，长期看 Voicebox 帮你省下来的钱 + 多出来的控制感——值得花半小时配一次。如果你是偶尔用一下 ElevenLabs 这种，那确实云端 + 订阅更顺手。

要装就装 macOS / Windows 版本——Apple Silicon 上的 MLX 加速体验最好——3 秒克隆、即克即用。

仓库：https://github.com/jamiepine/voicebox

官网：https://voicebox.sh

芋道源码 —— 纯源码解析博客

24.9k Star 开源神器：3 秒克隆任意声音，完全本地跑，可接入 Claude Code！